inspirations innovatech

Inspirations,
news et dossiers

Lunch Techno sur l’intelligence artificielle: ce qu’il fallait retenir

Date de publication
14 février 2020
facebook twitter LinkedIn Google Mail Informatique/Santé/Évènements Print
Lunch Techno, intelligence artificielle

Jeudi 13 février, nous organisions un lunch techno avec comme thème l’intelligence artificielle. Qu’avons-nous retenu des présentations ? Compte-rendu.

Nous vous avions annoncé cet évènement dans cet article. D’autres déjeuners vous seront annoncés prochainement via notre newsletter.

C’est tout d’abord Anne-Sophie Bridoux, du centre de recherche agréé Multitel, qui est intervenue. Multitel accompagne les entreprises depuis l’idée initiale jusqu’à la réalisation du prototype. Ou, plus ponctuellement, aide à faire les bons choix technologiques, à trouver des solutions concrètes à des problèmes technologiques spécifiques. Ils ont différents domaines d’expertise dont celui de l’intelligence artificielle.

Ils mènent actuellement 12 projets en intelligence artificielle dans différents domaines applicatifs : smart cities, défense, biomédical, automobile, aéronautique…

« L’Intelligence Artificielle ne date pas d’hier »

Anne-Sophie Bridoux commence par remettre les pendules à l’heure. « L’intelligence artificielle ne date pas d’hier, le terme est apparu en 1950 avec Alan Turing . Néanmoins, à l’époque, on pensait que la technologie se développerait beaucoup plus rapidement: certaines promesses qui devaient se réaliser 20 ans plus tard ne sont toujours pas tenues.

L’intelligence artificielle a connu plusieurs regains d’intérêt. En 1970, par exemple, grâce au succès des systèmes experts. Nous sommes maintenant au 3e regain d’intérêt pour l’intelligence artificielle et celui-ci devrait durer. Il y a un réel engouement scientifique sur le sujet. Les chercheurs publient directement leurs recherches pour faire avancer la science.Quelques résultats notables

En 2012, un algorithme de deep learning (sous-branche de l’intelligence artificielle) basé sur un réseau neuronal convolutionnel a permis d’améliorer de plus de 10% la reconnaissance d’images dans le cadre du challenge ImageNet, amélioration considérable par rapport aux progrès réalisés jusqu’alors.

En 2016, le champion du monde de jeu de go est battu par une intelligence artificielle.

Mais pourquoi ce boom a-t-il lieu maintenant?

  1. Il y a un développement exceptionnel des ressources de calcul avec des processeurs toujours plus performants tout en restant à des prix démocratiques.
  2. Il y a une disponibilité des données rendue possible grâce à l’ère de l’Homo Numericus. Regardez, par exemple, le nombre d’images prises et partagées depuis que tout le monde dispose d’un smartphone. Cette disponibilité de données a rendu possible l’entrainement de modèles d’intelligence artificielle
  3. Les avancées en Machine Learning avec notamment l’avènement des réseaux neuronaux profonds (deep learning).

 

Anne-Sophie Bridoux poursuit et nous différencie 3 termes, chacun englobant celui du dessous:

  • L’intelligence artificielle (systèmes informatiques capables d’exécuter des tâches nécessitant normalement l’intelligence humaine)
  • Machine learning (programmes ayant la capacité d’apprendre sans être explicitement programmés)
  • Deep learning (réseaux neuronaux artificiels qui apprennent et s’adaptent à partir de grandes quantités de données)

 

Formation en intelligence artificielle

Elle conseille d’ailleurs la formation d’Agoria que nous vous avions déjà mentionnée dans un précédent article pour en savoir plus sur les bases de l’intelligence artificielle.

Contrairement à la programmation traditionnelle où, sur base de données d’entrée et de règles explicites, on va obtenir un résultat donné, les approches par apprentissage automatique permettent au programme d’apprendre par lui-même ces règles sur base de données. La majorité des innovations en intelligence artificielle rentrent dans cette catégorie du machine learning.

Le deep learning est un ensemble de méthodes de machine learning qui permettent de modéliser avec un haut niveau d’abstraction la relation entre des données d’entrée A et des réponses/sorties B grâce à des architectures articulées de différentes couches de neurones permettant de multiples transformations non linéaires des données. A chaque couche du modèle, une transformation des données d’entrée a lieu, représentées d’une autre manière. Dans les premières couches d’un réseau, on va retrouver des représentations assez simplistes des données d’entrée et plus on avance dans le réseau et plus la représentation des données devient riche, abstraite et également difficile à interpréter pour l’humain. Les chercheurs essayent d’ailleurs de comprendre comment la machine obtient les résultats. Alors, oui, à ce niveau-là, la machine dépasse parfois l’humain.

Prenons un exemple : on voudrait qu’une machine puisse reconnaître les chats.

Un enfant de 2 ans est capable de reconnaître des chats. Si on doit programmer une machine, on va lui donner des règles basées sur la reconnaisse de formes, de textures… Mais que se passe-t-il quand le chat est en boule ou tourné? La machine va-t-elle le reconnaître?

C’est ici qu’il y a un intérêt pour l’apprentissage: on va apprendre à la machine à reconnaître des chats. Comment? Grâce au deep learning, on va lui donner des millions de photos de chats et elle va apprendre elle-même les règles qui permettent de reconnaître un chat.

Où trouver ces photos ? Sur Images Net par exemple.

Non, il ne faut pas toujours acheter des bases de données, il en existe des bases de données publiques, gratuites qui vont vous permettre d’entraîner la machine.

Hic? Oui, il y a un hic dans la représentativité des données. Imaginez que l’on montre toujours des chats noirs à la machine. Elle pourrait ne pas reconnaître des chats blancs comme étant des chats.

Cela vous parait étrange? Si vous tapez « CEO » dans Google images, il y aura toujours des hommes blancs majoritairement dans les premières images. Il ne faudrait pas que les femmes noires soient exclues. D’où tout l’intérêt de bien entraîner la machine, en lui donnant une base de données représentative des différents cas possibles et sans biais. Vous voulez essayer en 2 minutes? Utilisez le Google Tool, teachable machine.

 

 

Concrètement alors, que pouvez-vous demander au deep learning de résoudre ? Toute problématique pour laquelle vous avez des données A et pour lesquelles vous souhaitez rapidement obtenir des réponses B. Par exemple: traduire un texte d’une langue à une autre, réaliser une maintenance prédictive sur base de données machine, gérer les caméras des voitures autonomes, faire de la classification.

Actuellement il y a un réel engouement des PME pour l’intelligence artificielle « mais plutôt que de réaliser une stratégie complète autour de l’IA, on nous aborde plutôt pour des petits projets « quick wins », ajoute Anne-Sophie Bridoux.

Des financements pour l’Intelligence Artificielle

Plusieurs possibilités :

Des exemples d’entreprises actives dans des projets d’intelligence artificielle

La société Neuropath qui développe un suivi de patients atteints de la maladie de Parkinson ainsi que le projet CleverPop qui envisage de faire disparaitre le papier de nos tâches administratives sont intervenus pour expliquer leurs problématiques et la manière dont l’intelligence artificielle peut répondre à leurs besoins.

Nous vous avions déjà parlé de ces 2 exemples dans cet article.

InnovaTech peut aussi vous aider

Comment intervenons-nous sur des projets innovants liés à l’intelligence artificielle? Régis Coli, conseiller en innovation chez InnovaTech, accompagne plusieurs entreprises chaque mois dans le développement de leur projet. Des projets comme Gespodo ou encore Home Based.

l'équipe de rédaction InnovaTech

Par

L'équipe de rédaction d'InnovaTech est composée d'experts en innovation technologique et en communication.

Website Facebook Twitter LinkedIn

Services associés

Arrow left
Arrow right
coach

Bénéficiez d’un coach

Diagnostic et plan d'actions

Analyse et audit technologique

Technologie

Technologie

validation de l'idée

Validation de l’idée